基于紫外成像技術的彩色光斑映射識別算法研究

劉云鵬， 李泳霖， 裴少通， 劉嘉碩， 來庭煜

(河北省輸變電設備安全防御重點實驗室(華北電力大學)，河北 保定 071003)

0 引 言

基于240～280 nm“日盲區(qū)”波段紫外光信號的“日盲”紫外放電檢測具有抗太陽背景噪聲干擾、探測距離遠、非接觸、放電位置定位準確等諸多優(yōu)點,近幾年在電氣設備的放電檢測中得到了較廣泛的應用[1-6]。目前紫外成像儀檢測結果輸出的直觀數據是電暈放電位置的光子數,根據紫外光子數多少可判斷故障位置的電暈放電強度。文獻[7]建立了紫外輻射檢測平臺,評估了視角和測量距離對紫外輻射檢測技術的影響,并提出了檢測光子數的坐標轉換方程以補償影響引起的誤差。然而,文獻[8-10]認為利用紫外圖像中的光斑面積進行紫外成像檢測比利用光子數更高效,光斑面積隨檢測距離、儀器增益的變化規(guī)律較好,可從成像和儀器的工作原理進行明確地解釋。文獻[11]進行了絕緣子電暈放電紫外檢測實驗,比較分析了光子數和光斑面積在量化電暈放電強度時的差異,發(fā)現使用光斑面積量化放電不存在多值問題,可以得到更準確的結果。由此可知,在紫外放電檢測中,光斑面積更適合作為紫外成像儀的輸出量。

在紫外放電檢測過程中,為了減少檢測背景對紫外光斑識別的干擾,目前市場上大部分型號的紫外成像儀均具有設置光斑顏色的功能。但是將紫外圖像的光斑區(qū)域設置成彩色后,利用傳統(tǒng)閾值分割算法難以將光斑區(qū)域準確地分割[12-16]。近年來,基于深度學習的分割方法是實現彩色光斑準確分割的最先進的方法[17]。但是深度學習方法需要大量的圖像來獲取樣本,計算復雜度高,若紫外圖像樣本較少則使用效果較差[18]。由于在復雜的背景下,紫外圖像中的光斑區(qū)域也具有明顯的顏色特征。因此,可利用光斑區(qū)域與非光斑區(qū)域的灰度差異,先對圖像進行預處理,再使用灰度圖像閾值分割算法進行光斑分割。該處理過程既能準確地分割出光斑區(qū)域,又充分利用了灰度圖像閾值分割算法的運算速度快、計算復雜度低等優(yōu)點。

綜上所述,本文首先利用紫外成像儀,通過瓷絕緣子的人工污穢放電試驗及變電站設備的紫外檢測,采集了一系列紫外放電視頻,視頻中放電光斑區(qū)域的顏色包括藍綠色、綠色、紅色、黃色等多種色彩;其次,改進了紫外視頻的處理方法,在對紫外檢測圖像的彩色光斑區(qū)域進行閾值分割之前,使用基于高斯函數的彩色圖像映射識別算法對紫外圖像進行預處理,有效實現了彩色光斑區(qū)域的分割。該方法不僅能夠滿足現場工作人員進行快速檢測的需求,又可為后續(xù)的放電診斷提供可靠保障。

1 電氣設備放電的紫外視頻采集

本文通過瓷絕緣子人工污穢放電試驗及變電站設備紫外檢測,采集電氣設備的紫外放電視頻。

1.1 瓷絕緣子污穢放電試驗

220 kV瓷絕緣子污穢放電試驗平臺原理圖如圖1(a)所示,在人工霧室中的試驗平臺實物圖如圖1(b)所示。根據DL/T 741-2001規(guī)范,系統(tǒng)標準電壓220 kV線路絕緣子每串最少片數為13片,本文試驗使用14片型號為U70BP/146 D的瓷質絕緣子,其基本技術參數見表1。試驗中,絕緣子串最下端為高壓端,最上端為接地端。圖1中絕緣子串接地端上方增加了1片同一型號的絕緣子,起到連接絕緣子串并保護懸掛設施的作用。人工霧室長10米、寬10米、高12米,利用霧室中的噴淋架將霧室內的相對濕度分別控制在30%、50%、70%、90%,誤差為±3%,并使用數字濕度計實時監(jiān)測濕度。

表1 U70BP/146D絕緣子的基本技術參數Tab.1 Basic technical parameters of U70BP/146D

圖1 試驗平臺示意圖Fig. 1 Schematic diagram of test platform

試驗之前,可按照固體層法進行絕緣子的人工涂污[19-21],用氯化鈉模擬絕緣子表面污穢層中的鹽密,用硅藻土模擬絕緣子表面污穢層中的灰密。參照國家電網公司企業(yè)標準Q/GDW 1 152.1-2014,本文將5種污穢等級簡化為3種,即：低污穢度(a級和b級)、中污穢度(c級和d級)和高污穢度(e級)。因此,本試驗將等值灰密固定為1 mg/cm2,等值鹽密分別為0.01 mg/cm2、0.1 mg/cm2和0.4 mg/cm2。試驗過程中,加壓方法采用恒定電壓法[9],根據前期對110 kV輸電線路絕緣子人工污穢放電試驗的研究[21],將在絕緣子串高壓端施加的電壓由工頻127 kV調整為工頻97 kV,使絕緣子串高壓端附近的絕緣子表面電場強度更接近于實際工況。利用紫外成像儀檢測絕緣子表面的放電情況,成像儀具體型號為北京瑞盈智拓科技發(fā)展有限公司生產的ZT203。

1.2 變電站電氣設備紫外檢測

利用ZT203紫外成像儀,對1 000 kV高鄉(xiāng)變電站、1 000 kV微山湖變電站、500 kV益都變電站、220 kV招遠變電站等10座220 kV及以上電壓等級變電站設備進行紫外檢測,部分紫外放電圖像如圖2所示。

圖2 部分變電站設備紫外放電檢測圖Fig. 2 UV discharge detection diagrams of some substation equipment

2 紫外放電檢測圖像中彩色光斑的分割算法研究

2.1 紫外視頻處理方法的改進

紫外成像儀拍攝的紫外視頻通常需要先進行視頻的幀提取,所得圖像幀為RGB圖像,然后將RGB圖像轉換為灰度圖像后再進行圖像分割,最后利用形態(tài)學濾波獲得放電光斑區(qū)域的二值圖像[9]。在紫外檢測過程中,將光斑面積作為紫外檢測的輸出參量,為了減少檢測背景對紫外光斑識別的干擾,可利用ZT203紫外成像儀將紫外光斑區(qū)域由常用的白色設置為其他顏色。

傳統(tǒng)的紫外圖像處理方法是對經過灰度化處理的紫外圖像,進行閾值分割后得到其光斑二值圖像。然而,以藍綠色、綠色、紅色和白色光斑為例,使用傳統(tǒng)閾值分割算法分割這4種顏色光斑區(qū)域的結果如圖3所示,可知除白色光斑外,其它顏色光斑的分割效果并不理想。因此,需要對常用的紫外圖像處理方法進行改進。

圖3 使用傳統(tǒng)閾值分割算法的光斑區(qū)域分割效果Fig. 3 The effect of spot region segmentation using traditional threshold segmentation algorithm

之所以傳統(tǒng)閾值分割算法更適用于白色光斑的紫外圖像卻不適合彩色光斑,是因為經灰度處理后的紫外圖像中白色光斑區(qū)域與非光斑區(qū)域的對比度較高;但對于彩色光斑的紫外圖像則情況相反,在將紫外圖像進行灰度處理后,其光斑區(qū)域灰度值與非光斑區(qū)域灰度值差別較小,光斑分割時更容易受到非光斑區(qū)域的干擾。因此,需要改進傳統(tǒng)的紫外視頻處理流程。本文在灰度處理前對RGB圖像進行顏色映射處理,使彩色光斑在灰度處理后能夠被準確分割。傳統(tǒng)的及改進的紫外視頻處理方法示意圖如圖4所示。

圖4 紫外視頻處理方法示意圖Fig. 4 Schematic diagram of UV video processing methods

2.2 基于高斯函數的紫外彩色光斑圖像映射算法

2.2.1 映射模型

如圖4所示,雖然閾值分割方法不適用于彩色光斑的紫外圖像,但是可以先對圖像進行預處理,將彩色光斑轉換為白色光斑之后再進行閾值分割。

以藍綠色光斑、綠色光斑和紅色光斑為例,原始紫外圖像及其R、G、B通道分離后的圖像如圖5所示。由圖5可知,對于彩色光斑的紫外圖像,總能在R、G、B這3個顏色通道中的一個或多個通道上,發(fā)現其光斑區(qū)域與非光斑區(qū)域之間較明顯的灰度差異。因此,在圖像分割之前可充分利用R、G、B這3種顏色通道信息來增強光斑區(qū)域像素與非光斑區(qū)域像素的灰度差異,在排除非光斑區(qū)域的干擾之后將光斑區(qū)域的顏色轉換為白色,進而在后續(xù)處理過程中可有效地利用閾值分割算法對光斑區(qū)域進行分割。

圖5 彩色光斑紫外圖像的RGB通道分離效果圖Fig. 5 RGB channel separation effect of color spot in UV images

以藍綠色、紅色和黃色光斑為例,紫外圖像中不同像素點的RGB值如圖6所示,光斑區(qū)域的RGB灰度值雖然不固定但變化范圍有限,光斑區(qū)域內的RGB灰度值最大相差12.2%。同時,考慮到一維高斯分布的曲線特征,可通過定義高斯函數的峰值和平均值,將彩色光斑區(qū)域的顏色映射至白色,即利用高斯函數將彩色光斑區(qū)域的R、G、B值分別映射至255?；诟咚购瘮捣植嫉倪B續(xù)性以及光斑區(qū)域RGB灰度值范圍的有限性,映射圖像可以在很大程度上保留原始圖像的色域,并提高圖像的對比度。采用高斯函數的紫外彩色光斑圖像映射模型如式(1)和式(2)所示,映射模型示意圖如圖7所示。其中,A表示映射強度,在不同應用場景下,可通過設置A的值(0≤A≤ 255)將光斑區(qū)域的顏色映射至其它顏色,由于本文需將彩色光斑映射為白色光斑,所以A=255;μ表示光斑區(qū)域中R、G、B三個通道的灰度值;σ2為常數,表示映射函數的方差,本文將其定義為映射方差;F={fr,fg,fb}表示輸入圖像,G={gr,gg,gb}表示映射圖像;M(x)表示高斯映射公式。

圖6 紫外圖像中不同像素點的RGB值Fig. 6 RGB values of different pixels in the UV image

圖7 紫外彩色光斑圖像的映射模型示意圖Fig. 7 Schematic diagram of mapping model of color spot in UV images

(1)

M(x)=Aexp[-(x-μ)2/2σ2]

(2)

2.2.2 映射方差

映射方差σ2的值越小,映射圖像經灰度化處理之后的圖像中光斑區(qū)域與非光斑區(qū)域的對比度越高。因此,可根據紫外灰度圖像中光斑區(qū)域與非光斑區(qū)域的灰度差異,適當改變σ2的大小。以紅色光斑為例,其紫外圖像大小為206×181像素,本文設置σ= 3,原始紫外圖像及其映射圖像在經過灰度化處理之后均可得到1個206×181的圖像灰度矩陣。由于灰度矩陣的第172行包含光斑區(qū)域及檢測背景,可分別畫出2個灰度矩陣中第172行的灰度變化曲線并進行對比分析,曲線見圖8。如圖8(a)所示,在沒有經過映射處理的紫外灰度圖像中,光斑區(qū)域的灰度值范圍為100～112,與部分非光斑區(qū)域的灰度值范圍幾乎無差別,因此不適合直接使用閾值分割算法。如圖8(b)所示,在經過映射處理的紫外灰度圖像中,光斑區(qū)域的灰度值范圍為230～250,與圖8(a)相比,光斑區(qū)域灰度值平均增加了2.18倍。由此可知,圖像映射算法極大地增強了光斑區(qū)域灰度值與非光斑區(qū)域灰度值的對比度,可輕易地排除非光斑區(qū)域的干擾并將光斑區(qū)域的顏色轉換為白色,進而更有效地利用閾值分割算法對光斑區(qū)域進行分割。此外,瓷質絕緣子在圖8(b)中顯示得更加清晰,因此可認為基于高斯函數的紫外彩色光斑圖像映射算法不僅有利于紫外圖像彩色光斑區(qū)域的分割,而且有利于圖像中電氣設備的識別。

圖8 紫外圖像灰度矩陣中第172行的灰度值曲線Fig. 8 The gray value curve of the 172nd row in the gray matrix of the UV image

2.2.3 閾值分割算法

紫外圖像經過映射處理并轉換為灰度圖像后,可利用現有的傳統(tǒng)閾值分割算法將白色光斑區(qū)域分割出來。算法的關鍵在于閾值的選擇,通常閾值在200～250范圍內時可取得較好效果[9]。

經上述圖像處理后,放電光斑區(qū)域可有效地從紫外圖像中分割出來,但變換后的圖像中可能仍然存在一些噪聲點。對噪聲區(qū)域和光斑區(qū)域進行分析可知,噪聲區(qū)域的幾何尺寸要遠小于光斑區(qū)域,根據上述特點,本文采用數學形態(tài)學(Mathematical Morphology)的方法對圖像進行濾波處理。以紅色、黃色和綠色光斑紫外圖像為例,經算法處理的結果如圖9所示。對比圖9中的原始圖像和最終處理圖像,可知無論是人工霧室試驗還是實際進站檢測,本文所提紫外彩色光斑映射識別算法均可較好地排除非光斑區(qū)域的干擾,將光斑區(qū)域較為準確地分割出來。

圖9 紫外彩色光斑圖像分割結果Fig. 9 Result of UV color spot image segmentation

3 紫外彩色光斑映射識別算法效果評價

3.1 算法評價指標

為了驗證本文所提算法分割紫外圖像彩色光斑的能力,將其處理結果與人工標記光斑區(qū)域的圖像進行對比。如圖10所示,以藍綠色光斑為例,人工標記光斑區(qū)域的二值化圖像中光斑面積為808,經算法處理后的二值化圖像中光斑面積為776,可知兩圖像中的光斑區(qū)域重疊程度為96%,算法的處理效果較好。因此,可基于Jaccard相似系數的概念,提出精度P和召回率R兩個指標用于評估算法的性能,P和R的定義如式(3)所示。

圖10 人工標記光斑與算法處理結果圖像對比Fig. 10 Comparison of artificially marked spot with algorithmically processed images

(3)

其中,A表示人工標記的光斑區(qū)域,B表示經算法處理后提取的光斑區(qū)域。

3.2 算法應用效果評價

根據采集的電氣設備放電紫外視頻,從中截取了1 000張紫外圖像幀,并人工標記出放電光斑區(qū)域。

部分圖片的對比如圖11所示。對紫外圖像進行彩色光斑映射識別處理后,與人工標記光斑區(qū)域的二值化圖像進行對比,由式(3)可得精度P平均值為0.963 2,召回率R平均值為0.972 6,均達到了95%以上,證明了本文提出的彩色光斑映射識別算法具有良好的紫外圖像彩色光斑分割能力,能夠滿足后續(xù)對紫外放電圖像進行可靠診斷的要求。同時,該算法復雜度較低,可以在紫外成像儀上直接進行紫外圖像的處理,滿足了現場工作人員對于快速檢測的需求。

圖11 算法應用效果示例圖Fig. 11 Example image of algorithm application effect

4 結 論

(1)建立了電氣設備紫外放電圖像樣本庫。其中,利用瓷絕緣子人工污穢放電試驗,獲得了不同濕度和污穢等級下瓷絕緣子的紫外放電視頻;通過對1 000 kV高鄉(xiāng)變電站、1 000 kV微山湖變電站、500 kV益都變電站、220 kV招遠變電站等10座220 kV及以上電壓等級變電站設備進行紫外檢測,采集了不同電氣設備的紫外放電視頻。

(2)考慮到一維高斯函數分布的連續(xù)性以及紫外放電圖像中光斑區(qū)域RGB灰度值范圍的有限性,映射圖像可以在很大程度上保留原始圖像的色域,并提高圖像的對比度。采用了基于高斯函數的彩色圖像映射識別算法,對紫外放電圖像進行了預處理,將光斑區(qū)域像素與非光斑區(qū)域像素的灰度差異平均提高了2.18倍,可有效避免非光斑區(qū)域的影響并準確實現光斑區(qū)域的閾值分割。

(3)基于Jaccard相似系數的概念,將精度P和召回率R作為算法應用效果評價指標。從電氣設備紫外放電圖像樣本庫中抽取1 000張紫外放電圖像,對其使用彩色圖像映射識別算法進行光斑區(qū)域分割后,與人工標記的光斑區(qū)域進行對比,可得P和R的平均值分別為0.963 2和0.972 6,表明該算法應用效果良好。紫外光斑的準確識別分割不僅能夠滿足現場快速檢測的需求,也是后續(xù)對放電結果進行準確診斷的重要前提。